获课：999it.top/15548/

我的 FLUX + ComfyUI 进阶之路：解构生成与搭建逻辑

在开始学习这门课程之前，首先要明确一个概念：ComfyUI 不仅仅是一个画图工具，它是一个可视化的编程环境。我们在这里做的每一件事，都是在设计数据的处理管道。FLUX 作为目前最火热的开源文生图模型之一，其特殊的架构（特别是 Transformer 架构和独特的引导机制）对工作流提出了新的要求。

一、 理解核心差异：FLUX 与传统 SD 模型的本质区别

这是我学习的第一课，也是最重要的一课。如果你带着 Stable Diffusion 1.5 或 SDXL 的惯性思维来搭建 FLUX 工作流，一定会碰壁。

学习重点：双流架构与引导机制
FLUX 模型最显著的特点在于它采用了“双流”架构：它将文本提示词的处理与图像生成的过程更加紧密地结合，同时引入了独特的“引导”机制。

在旧版 SD 中，我们习惯用简单的 CLIP Text Encode 节点。

在 FLUX 中，你需要适应新的编码逻辑。课程中通常会出现专门的 FLUX 节点包，其中最关键的是 CLIP Vision 的使用方式以及如何正确处理 T5 文本编码器。T5 拥有巨大的参数量，对 FLUX 理解复杂的自然语言指令至关重要。

核心感悟：不要只把它当成“换个模型文件”，要意识到底层的数据处理逻辑变了。你需要重点关注如何将 Prompt 正确地“喂”给 T5 编码器，以及正负向提示词（或 Guidance Scale）在 FLUX 中的特殊调节方式。

二、 ComfyUI 的精髓：节点逻辑与数据流向

这是初学者最容易卡住的地方，也是一旦打通就会豁然开朗的关键。不要试图背诵连线，要理解“插座”和“插头”的类型。

学习重点：数据类型的匹配
ComfyUI 的连线是有颜色的，每种颜色代表一种数据类型（如紫色代表模型，蓝色代表图像，绿色代表 Latent 空间数据）。

输入端：必须明确 FLUX 需要什么。它需要 Unet（现在常称为 Diffusion Model）、CLIP 和 VAE（如果是 FLUX.1 Dev，它有独特的 VAE；如果是 Schnell 变体，VAE 使用方式可能不同）。

采样器：这是连接“模型”和“潜在空间”的桥梁。在 FLUX 工作流中，你需要使用特定的采样器节点，通常要配合特定的调度器。

KSampler 的变种：FLUX 经常使用自定义的采样节点，比如 KSampler (Advanced) 或者专门的 FLUX 采样节点。你需要重点学习这些节点的 Seed（随机种子）、Steps（步数）和 Cfg（引导系数）设置。FLUX 对 Cfg 的敏感度与传统 SD 不同，有时候不需要很高的 Cfg 就能生成极高质量的画面。

初学者捷径：先学会“读”图。拿到一个现成的成熟工作流 JSON，不要急着自己画。从左往右，看数据源头（Checkpoint 加载器）经过了哪些中间节点（如 Lora 加载器、ControlNet），最后流向了哪里（VAE 解码、图像保存）。理解数据是如何“流”动的。

三、 调参实战：从“能跑”到“出彩”的关键

搭建好工作流只是第一步，让 FLUX 输出符合你心意的图片，需要对参数进行精细调整。FLUX.1 Dev 和 Schnell 在参数偏好上有所不同，这也是学习的重点。

学习重点：分辨率、步数与 Guid

对于 FLUX.1 Dev（质量版）：通常需要较多的步数（20-50步）来收敛，以获得最佳细节。

对于 FLUX.1 Schnell（速度版）：它是为蒸馏和快速生成的，4-6步甚至1步都能生成可用的图像。学习如何根据需求（是追求极致画质还是快速出图）切换步数。

分辨率：FLUX 原生支持高分辨率生成，且对构图有极好的把控。在设置 EmptyLatentImage 节点时，不要局限于 512x512 或 1024x1024。尝试 1:1 或 16:9 的不同比例，FLUX 能很好地处理画面细节。理解如何通过分辨率节点控制输出尺寸是基础。

采样步数：

Guidance Scale (CFG)：这是调参的灵魂。传统 SD 通常是 7.0，但 FLUX 往往在 1.0 到 3.5 之间效果最好（有些变体甚至不需要 CFG）。重点学习：观察 CFG 过高导致画面过饱和、伪影增加的现象，学会“做减法”，用更低的引导系数换取更自然的画面。

四、 高级组件：LoRA 与 ControlNet 的融入

这是让你的工作流具备生产级能力的环节。

学习重点：节点注入的位置

LoRA：在 ComfyUI 中，加载 LoRA 不仅仅是拖进去一个节点，更重要的是它在数据流中的位置。通常，LoRA 节点是连接在“Checkpoint 加载器”和“采样器”之间的。你需要理解 LoRA 是如何“挂载”到主模型上的。重点学习如何串联多个 LoRA，以及调整每个 LoRA 的权重。